論文の概要: Multiobjective Ranking and Selection Using Stochastic Kriging
- arxiv url: http://arxiv.org/abs/2209.03919v1
- Date: Mon, 5 Sep 2022 23:51:07 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-09 12:44:51.926085
- Title: Multiobjective Ranking and Selection Using Stochastic Kriging
- Title(参考訳): 確率krigingを用いた多目的ランキングと選択
- Authors: Sebastian Rojas Gonzalez, Juergen Branke and Inneke van Nieuwenhuyse
- Abstract要約: 我々は,複数の矛盾する目的を同時に最適化し,シミュレーションによってのみ観測できる多目的シミュレーション最適化問題を考察する。
最適性は、他の目的の質を損なうことなく、目的を改善できないことを意味する。
提案手法は, 最適性能の解を同定する際の誤差を減らすため, 多目的ランキングと選択法を提案する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: We consider multiobjective simulation optimization problems, where several
conflicting objectives are optimized simultaneously, and can only be observed
via stochastic simulation. The goal is to find or approximate a (discrete) set
of Pareto-optimal solutions that reveal the essential trade-offs between the
objectives, where optimality means that no objective can be improved without
deteriorating the quality of any other objective. The noise in the observed
performance may lead to two possible misclassification errors: solutions that
are truly Pareto-optimal can be wrongly considered dominated, and solutions
that are truly dominated can be wrongly considered Pareto-optimal. We propose a
Bayesian multiobjective ranking and selection method to reduce the number of
errors when identifying the solutions with the true best expected performance.
We use stochastic kriging metamodels to build reliable predictive distributions
of the objectives, and exploit this information in two efficient screening
procedures and two novel sampling criteria. We use these in a sequential
sampling algorithm to decide how to allocate samples. Experimental results show
that the proposed method only requires a small fraction of samples compared to
the standard allocation method, and it's competitive against the
state-of-the-art, with the exploitation of the correlation structure being the
dominant contributor to the improvement.
- Abstract(参考訳): 複数の競合対象を同時に最適化し,確率的シミュレーションによってのみ観測できる多目的シミュレーション最適化問題を考える。
目標は、目的間の本質的なトレードオフを明らかにするパレート最適解の(離散的な)集合を見つけるか、あるいは近似することであり、そこでは最適性は、他の目的の品質を損なうことなく目的が改善されないことを意味する。
真にパレート最適である解は誤って支配的とみなすことができ、真に支配的である解はパレート最適と見なすことができる。
提案手法は, 最適性能の解を同定する際の誤差を減らすため, ベイジアン多目的ランキングと選択法を提案する。
確率krigingメタモデルを用いて,目標の信頼性の高い予測分布を構築し,この情報を2つの効率的なスクリーニング手順と2つの新しいサンプリング基準で活用する。
我々はこれらを逐次サンプリングアルゴリズムでサンプルの割り当て方法を決定する。
実験の結果,提案手法は,標準割当法に比べて試料のごく一部しか必要とせず,その改善に寄与する相関構造を活用し,最先端の手法と競合していることがわかった。
関連論文リスト
- Best-Effort Adaptation [62.00856290846247]
本稿では, 試料再重み付け法に関する新しい理論的解析を行い, 試料再重み付け法を一様に保持する境界について述べる。
これらの境界が、我々が詳細に議論する学習アルゴリズムの設計を導く方法を示す。
本稿では,本アルゴリズムの有効性を実証する一連の実験結果について報告する。
論文 参考訳(メタデータ) (2023-05-10T00:09:07Z) - Bayesian Optimization with Conformal Prediction Sets [44.565812181545645]
コンフォーマル予測(Conformal prediction)は、不確実な定量化手法であり、不特定モデルに対してもカバレッジを保証する。
本稿では,モデルの妥当性が保証された検索空間の領域にクエリを誘導する共形ベイズ最適化を提案する。
多くの場合、クエリのカバレッジはサンプル効率を損なうことなく大幅に改善できる。
論文 参考訳(メタデータ) (2022-10-22T17:01:05Z) - Efficient first-order predictor-corrector multiple objective
optimization for fair misinformation detection [5.139559672771439]
多重目的最適化(MOO)は、複数の競合する目的を同時に最適化することを目的としており、機械学習において重要な応用を見出した。
本稿では,線形にしかスケールしないガウスニュートン近似を提案し,イテレーション毎に一階内積しか必要としない。
このイノベーションは、大規模ネットワークで予測器のコレクタを可能にする。
論文 参考訳(メタデータ) (2022-09-15T12:32:15Z) - Uncertainty-Aware Search Framework for Multi-Objective Bayesian
Optimization [40.40632890861706]
高価な関数評価を用いたマルチオブジェクト(MO)ブラックボックス最適化の問題点を考察する。
UeMOと呼ばれる新しい不確実性対応検索フレームワークを提案し、評価のための入力シーケンスを効率的に選択する。
論文 参考訳(メタデータ) (2022-04-12T16:50:48Z) - Learning Proximal Operators to Discover Multiple Optima [66.98045013486794]
非家族問題における近位演算子を学習するためのエンドツーエンド手法を提案する。
本手法は,弱い目的と穏やかな条件下では,世界規模で収束することを示す。
論文 参考訳(メタデータ) (2022-01-28T05:53:28Z) - RoMA: Robust Model Adaptation for Offline Model-based Optimization [115.02677045518692]
入力出力クエリの静的データセットからブラックボックス目的関数を最大化する入力を探索する問題を考える。
この問題を解決するための一般的なアプローチは、真の客観的関数を近似するプロキシモデルを維持することである。
ここでの大きな課題は、検索中に逆最適化された入力を避ける方法である。
論文 参考訳(メタデータ) (2021-10-27T05:37:12Z) - The Perils of Learning Before Optimizing [16.97597806975415]
本稿では,最適化タスクを通じて予測モデルを識別することで,エンドツーエンドで予測モデルを学習する方法を示す。
2段階のアプローチとエンドツーエンドのアプローチのパフォーマンスギャップは、最適化における相関の概念の強調と密接に関係していることが示される。
論文 参考訳(メタデータ) (2021-06-18T20:43:47Z) - Goal Seeking Quadratic Unconstrained Binary Optimization [0.5439020425819]
本稿では,目標からのずれを最小限に抑える2種類の目標探索QUBOを提案する。
本論文では、タブー探索に基づく1フリップによる目標からの偏差を最小限に抑える2種類の目標探索QUBOについて述べる。
論文 参考訳(メタデータ) (2021-03-24T03:03:13Z) - Modeling the Second Player in Distributionally Robust Optimization [90.25995710696425]
我々は、最悪のケース分布を特徴付けるために神経生成モデルを使うことを議論する。
このアプローチは多くの実装と最適化の課題をもたらします。
提案されたアプローチは、同等のベースラインよりも堅牢なモデルを生み出す。
論文 参考訳(メタデータ) (2021-03-18T14:26:26Z) - Robust, Accurate Stochastic Optimization for Variational Inference [68.83746081733464]
また, 共通最適化手法は, 問題が適度に大きい場合, 変分近似の精度が低下することを示した。
これらの結果から,基礎となるアルゴリズムをマルコフ連鎖の生成とみなして,より堅牢で正確な最適化フレームワークを開発する。
論文 参考訳(メタデータ) (2020-09-01T19:12:11Z) - Towards Model-Agnostic Post-Hoc Adjustment for Balancing Ranking
Fairness and Algorithm Utility [54.179859639868646]
Bipartiteランキングは、ラベル付きデータから正の個人よりも上位の個人をランク付けするスコアリング機能を学ぶことを目的としている。
学習したスコアリング機能が、異なる保護グループ間で体系的な格差を引き起こすのではないかという懸念が高まっている。
本稿では、二部構成のランキングシナリオにおいて、それらのバランスをとるためのモデル後処理フレームワークを提案する。
論文 参考訳(メタデータ) (2020-06-15T10:08:39Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。